VeriLoop Coder-E1は、単体のモデルというよりリポジトリ修復エージェントを構成するモデル層として捉えるのが適切です。清華大学深圳国際大学院（SIGS）のチームは、SWE-bench Verifiedで85.20、SWE-bench Proで62.38、Terminal-Bench 2.0で76.40、DeepSWEで33.63を報告しています。もっとも、この数値は本番のSelf-Harnessを含む、証拠駆動型のVeriLoopシステムで得られたものです。そのSelf-Harnessはオープンソース化されていません。121

重要なのは「モデルの重み」と「評価されたシステム」を分けて考えること

公開されているのは、Qwen3.6-27Bを基盤とする270億パラメータのコードモデルです。用途はコード推論、リポジトリ理解、成果物の生成で、Hugging Faceの公開情報ではApache License 2.0のソフトウェア工学向け特化モデルと説明されています。521

一方、プロジェクト文書でSelf-Harnessは、モデルの出力を制約付きかつ証拠に基づくソフトウェア工学プロセスへ変換する「実行基盤」と位置付けられています。公開されているEvidence Bindingアダプターも、VeriLoop Harness上で使うことを想定しており、完全な実行環境、バリデーター、証拠処理、ロールバック、サンドボックス、監視機構を単体で置き換えるものではないと明記しています。2123

したがって、ダウンロード可能なチェックポイントを読み込むだけで、公表されたスコアが再現されると解釈すべきではありません。提供資料から支持されるのは、モデルとハーネス化されたワークフローの組み合わせが報告性能を出した、という限定的な結論です。公開重みだけによる独立再現は、提示された資料では確立されていません。

狭い領域に絞ったPEFTは何を担うのか

VeriLoopは、修復タスクの実行中にベースモデルを継続的に更新するのではなく、固定したQwenベースに、着脱可能で能力別のPEFT（Parameter-Efficient Fine-Tuning）層を組み合わせる構成を説明しています。公開資料では、ToolSpec、Uncertainty、Rollback、Evidence Bindingの4領域が示されています。52024

これらのアダプターは、ソフトウェア工学で必要になる判断や成果物の扱いを強める意図を持ちます。

• ツール契約：利用可能なツール操作、入力、制約、受け入れ条件を明確に表現する。
• 不確実性の扱い：仮説段階の診断と、裏付けられた所見を混同しない。
• 証拠の結び付け：主張を実行結果やツールの受領記録に対応付け、明示的な判定と範囲を限定した次の行動を出す。
• ロールバックの意識：未検証のパッチを、リポジトリの新しい正解として扱わない。2023

これは特化の戦略であって、学習データや各アダプター実装の完全な公開説明ではありません。公開資料は、各能力の目的と役割を示している一方、全学習段階を第三者が監査できるほどの詳細を提供しているわけではありません。2024

「証拠に統治されたスパイラル」はどう回るのか

中核となる考え方は、コード修復を「次のパッチを試す」反復ではなく、制約と検証可能性を備えた作業パッケージの連鎖に変えることです。プロジェクトおよび清華側の説明では、生成した変更は各ラウンドでテストされ、失敗すれば原因を分析して次の修復サイクルへ反映します。1321

実務的には、次のようなループとして読めます。

1. タスクパッケージを作る：課題、リポジトリの文脈、インターフェース制約、受け入れ条件を、構造化された作業パッケージへまとめます。3
2. 範囲を限定した候補を生成・実行する：モデルが成果物またはパッチを提案し、関連するリポジトリツールやテストを実行します。13
3. 反証を修正材料として扱う：テスト失敗、診断結果、ツール実行記録、インターフェースの衝突は、単なる再試行の合図ではなく、現在の診断やパッチに対する反証として扱われます。1321
4. 次のパッケージを再コンパイルする：前の成果物、失敗、実行記録、反証、追加された制約を次ラウンドの作業パッケージに組み込みます。3
5. 局所的に修復して検証する：問題に関係する範囲へ焦点を絞って修正し、テストと回帰条件で受け入れ可否を判断します。13
6. 保持またはロールバックする：必要な検証を満たさない候補は、進捗として黙って蓄積せず、修正または破棄します。323

DeepSWEについて、公開された評価記録では113タスク中38件が成功で、非成功はすべて失敗として計上されています。これは33.6283%となり、報告値33.63と整合します。ただし、その記録自体は自己公開のものと表示されています。17

なぜ「再帰的自己改善」と呼ぶのか

VeriLoopが主張する違いは、エージェントが複数のパッチを作れること自体ではありません。チームの定義では、証拠は、すでに選んだ結論を飾るだけでは不十分であり、将来どのように調査・判断・修正するかを変える場合に意味を持つとされます。1

この観点では、少なくとも3つを区別します。

• 試行錯誤：パッチが失敗したので、別の候補を作る。
• 検証の成功：ある候補が選ばれたチェックを通過する。
• 証拠に統治された改善：反証が、タスクの切り分け、診断の焦点、採用可能な証拠、修復制約、検証ゲートなど、次の方法そのものを変える。ただし、変わった方法も将来の証拠によって再び反証され得る。13

これは、工学における反証可能性を重視する考え方と整合します。テストは現行仮説を否定できなければならず、テスト通過は特定のチェックの下で候補を支持する証拠ではあっても、普遍的な証明ではありません。実際上の要点は、観測と結論を分け、検証済みの状態を保ち、失敗した仮説が次の試行を制約するよう状態を管理することです。12021

ただし、こうした方法変更がリポジトリをまたいで広く一般化すること、あるいは一般的な意味で自律的な再帰的自己改善に当たることまでは、ここで示された公開情報だけでは立証されていません。

モデルは公開し、Self-Harnessは非公開にする理由

プロジェクトは、再利用可能なモデルバックエンドと、それを制御するコントロールプレーンを分離しています。公開モデルとPEFTアーティファクトは、リポジトリ推論や成果物生成の実験に利用できます。対して非公開の本番Harnessは、タスクパッケージのコンパイル、タスクとバージョン付き状態の維持、証拠のルーティング、ステージのスケジューリング、検証、ロールバックを担うと説明されています。32123

この境界は、再現性に直接かかわります。モデルを公開することは、評価されたエージェント全体を公開することと同義ではありません。より正確に言えば、Coder-E1は特化コードモデル、Self-Harnessはその使い方を統治する実行システムです。制御スタックが公開されるか、第三者によって独自に再現されるまでは、ベンチマーク結果は公開チェックポイント固有の性能ではなく、システム全体の結果として解釈するのが妥当です。12123

VeriLoop Coder-E1は、単体のモデルというよりリポジトリ修復エージェントを構成するモデル層として捉えるのが適切です。清華大学深圳国際大学院（SIGS）のチームは、SWE-bench Verifiedで85.20、SWE-bench Proで62.38、Terminal-Bench 2.0で76.40、DeepSWEで33.63を報告しています。もっとも、この数値は本番のSelf-Harnessを含む、証拠駆動型のVeriLoopシステムで得られたものです。そのSelf-Harnessはオープンソース化されていません。121

重要なのは「モデルの重み」と「評価されたシステム」を分けて考えること

公開されているのは、Qwen3.6-27Bを基盤とする270億パラメータのコードモデルです。用途はコード推論、リポジトリ理解、成果物の生成で、Hugging Faceの公開情報ではApache License 2.0のソフトウェア工学向け特化モデルと説明されています。521

一方、プロジェクト文書でSelf-Harnessは、モデルの出力を制約付きかつ証拠に基づくソフトウェア工学プロセスへ変換する「実行基盤」と位置付けられています。公開されているEvidence Bindingアダプターも、VeriLoop Harness上で使うことを想定しており、完全な実行環境、バリデーター、証拠処理、ロールバック、サンドボックス、監視機構を単体で置き換えるものではないと明記しています。2123

したがって、ダウンロード可能なチェックポイントを読み込むだけで、公表されたスコアが再現されると解釈すべきではありません。提供資料から支持されるのは、モデルとハーネス化されたワークフローの組み合わせが報告性能を出した、という限定的な結論です。公開重みだけによる独立再現は、提示された資料では確立されていません。

狭い領域に絞ったPEFTは何を担うのか

VeriLoopは、修復タスクの実行中にベースモデルを継続的に更新するのではなく、固定したQwenベースに、着脱可能で能力別のPEFT（Parameter-Efficient Fine-Tuning）層を組み合わせる構成を説明しています。公開資料では、ToolSpec、Uncertainty、Rollback、Evidence Bindingの4領域が示されています。52024

これらのアダプターは、ソフトウェア工学で必要になる判断や成果物の扱いを強める意図を持ちます。

• ツール契約：利用可能なツール操作、入力、制約、受け入れ条件を明確に表現する。
• 不確実性の扱い：仮説段階の診断と、裏付けられた所見を混同しない。
• 証拠の結び付け：主張を実行結果やツールの受領記録に対応付け、明示的な判定と範囲を限定した次の行動を出す。
• ロールバックの意識：未検証のパッチを、リポジトリの新しい正解として扱わない。2023

これは特化の戦略であって、学習データや各アダプター実装の完全な公開説明ではありません。公開資料は、各能力の目的と役割を示している一方、全学習段階を第三者が監査できるほどの詳細を提供しているわけではありません。2024

「証拠に統治されたスパイラル」はどう回るのか

中核となる考え方は、コード修復を「次のパッチを試す」反復ではなく、制約と検証可能性を備えた作業パッケージの連鎖に変えることです。プロジェクトおよび清華側の説明では、生成した変更は各ラウンドでテストされ、失敗すれば原因を分析して次の修復サイクルへ反映します。1321

実務的には、次のようなループとして読めます。

1. タスクパッケージを作る：課題、リポジトリの文脈、インターフェース制約、受け入れ条件を、構造化された作業パッケージへまとめます。3
2. 範囲を限定した候補を生成・実行する：モデルが成果物またはパッチを提案し、関連するリポジトリツールやテストを実行します。13
3. 反証を修正材料として扱う：テスト失敗、診断結果、ツール実行記録、インターフェースの衝突は、単なる再試行の合図ではなく、現在の診断やパッチに対する反証として扱われます。1321
4. 次のパッケージを再コンパイルする：前の成果物、失敗、実行記録、反証、追加された制約を次ラウンドの作業パッケージに組み込みます。3
5. 局所的に修復して検証する：問題に関係する範囲へ焦点を絞って修正し、テストと回帰条件で受け入れ可否を判断します。13
6. 保持またはロールバックする：必要な検証を満たさない候補は、進捗として黙って蓄積せず、修正または破棄します。323

DeepSWEについて、公開された評価記録では113タスク中38件が成功で、非成功はすべて失敗として計上されています。これは33.6283%となり、報告値33.63と整合します。ただし、その記録自体は自己公開のものと表示されています。17

なぜ「再帰的自己改善」と呼ぶのか

VeriLoopが主張する違いは、エージェントが複数のパッチを作れること自体ではありません。チームの定義では、証拠は、すでに選んだ結論を飾るだけでは不十分であり、将来どのように調査・判断・修正するかを変える場合に意味を持つとされます。1

この観点では、少なくとも3つを区別します。

• 試行錯誤：パッチが失敗したので、別の候補を作る。
• 検証の成功：ある候補が選ばれたチェックを通過する。
• 証拠に統治された改善：反証が、タスクの切り分け、診断の焦点、採用可能な証拠、修復制約、検証ゲートなど、次の方法そのものを変える。ただし、変わった方法も将来の証拠によって再び反証され得る。13

これは、工学における反証可能性を重視する考え方と整合します。テストは現行仮説を否定できなければならず、テスト通過は特定のチェックの下で候補を支持する証拠ではあっても、普遍的な証明ではありません。実際上の要点は、観測と結論を分け、検証済みの状態を保ち、失敗した仮説が次の試行を制約するよう状態を管理することです。12021

ただし、こうした方法変更がリポジトリをまたいで広く一般化すること、あるいは一般的な意味で自律的な再帰的自己改善に当たることまでは、ここで示された公開情報だけでは立証されていません。

モデルは公開し、Self-Harnessは非公開にする理由

プロジェクトは、再利用可能なモデルバックエンドと、それを制御するコントロールプレーンを分離しています。公開モデルとPEFTアーティファクトは、リポジトリ推論や成果物生成の実験に利用できます。対して非公開の本番Harnessは、タスクパッケージのコンパイル、タスクとバージョン付き状態の維持、証拠のルーティング、ステージのスケジューリング、検証、ロールバックを担うと説明されています。32123

この境界は、再現性に直接かかわります。モデルを公開することは、評価されたエージェント全体を公開することと同義ではありません。より正確に言えば、Coder-E1は特化コードモデル、Self-Harnessはその使い方を統治する実行システムです。制御スタックが公開されるか、第三者によって独自に再現されるまでは、ベンチマーク結果は公開チェックポイント固有の性能ではなく、システム全体の結果として解釈するのが妥当です。12123